叶 倩，谭 天，孙艳杰

（杭州迪普信息技术有限公司，浙江 杭州 310051）

0 引 言

近年来，大数据、人工智能、云计算和5G技术得到迅猛发展，网络的应用也变得更广泛和便捷。据中国互联网络信息中心（CNNIC）发布的第47次《中国互联网络发展状况统计报告》显示，截至2020年12月，我国网民规模达到9.89亿人，较2020年3月增长8540万人，互联网普及率已达70.4%。网民规模的扩大，引入了更大的网络流量和网络攻击面，使得保护网络信息和通信安全成为一个更具挑战性的问题。入侵检测系统（Intrusion Detection System，IDS）对提高系统的安全水平起着至关重要的作用。

随着网络攻击的复杂性和网络功能的多样化，传统的入侵检测技术存在误报率高、适应性差和检测率低的问题。因此，我们需要研究新的入侵检测技术来提高入侵检测系统的安全检测能力。近年来，深度学习[1]在图像识别、语音识别、自然语言处理等方面取得了惊人的成绩。深度学习技术在处理复杂的大规模数据方面具有出色的性能，这也为处理多特征入侵数据带来了新的思路。深度学习在网络入侵检测领域的灵活应用可以有效提高检测率，降低误报率和漏报率。

本文从以下几方面展开研究：第一，提出当前的网络安全防护存在的一些问题；第二，介绍了基于机器学习和深度学习的入侵检测技术，并对这两种技术做了分析比较；第三，介绍了入侵检测系统训练的必需因素数据集；第四，对深度学习模型结合数据集在入侵检测系统上的应用和近几年相关研究工作做了综述；……